L’IA dans les six prochains mois : ce qui arrive vraiment
L’IA dans les six prochains mois : ce qui arrive vraiment
Pascal Froment — wetandseaai.fr — 28 mars 2026
Avant-propos méthodologique
Cet essai distingue trois niveaux d’assertion. Ce qui est avéré repose sur des faits publics, des annonces officielles et des confirmations de sources primaires. Ce qui est probable s’appuie sur des tendances documentées, des roadmaps déclarées et des signaux convergents de plusieurs analystes indépendants. Ce qui est spéculatif est explicitement marqué comme tel. Rien n’est présenté comme certitude là où l’incertitude est réelle.
I. La grande bascule : d’avril à septembre 2026, les modèles ne seront plus le sujet
Depuis 2022, le débat public sur l’IA a tourné autour des modèles. GPT-4, Claude 3, Gemini Ultra — chaque sortie déclenchait une vague d’analyses comparatives, de benchmarks, de classements. Ce débat est en train de se clore, non parce que les modèles ont cessé de progresser, mais parce qu’ils ont cessé d’être le facteur limitant.
Comme le formule IBM, « nous allons atteindre un point de commodité. C’est un marché d’acheteurs. Vous pouvez choisir le modèle qui correspond exactement à votre cas d’usage. Le modèle lui-même ne sera plus le principal différenciateur. » Ce qui compte désormais, c’est l’orchestration : comment les modèles sont connectés, gouvernés, déployés dans des workflows réels.
Les six prochains mois consacreront cette bascule. Trois modèles frontier sont en gestation simultanée — OpenAI Spud, Claude Mythos, et le prochain Gemini Ultra — mais leur impact ne se mesurera pas en points de benchmark. Il se mesurera à ce qu’ils permettent de faire, à quelle vitesse, dans quelles contraintes réglementaires.
II. Le choc des modèles : avril–juin 2026
OpenAI Spud — le pari de l’économie réelle
OpenAI a terminé le pré-entraînement de son prochain modèle, dont le nom de code est « Spud », et Sam Altman a indiqué dans un mémo interne que « un modèle très puissant sortira dans quelques semaines, et toute l’équipe pense que ce modèle peut accélérer réellement l’économie globale. »
Ce qui est remarquable dans cette formulation n’est pas l’ambition — les hyperboles sont monnaie courante dans le secteur. C’est la métrique choisie. Altman ne parle pas de benchmarks académiques. Il parle d’économie. C’est un signal de positionnement : Spud sera jugé sur sa capacité à remplacer ou augmenter du travail cognitif réel, pas sur MMLU ou SWE-Bench.
Pour préparer Spud, OpenAI a arrêté Sora, libérant une capacité de calcul considérable, et rebaptisé son équipe produit « AGI Deployment » — un signal organisationnel aussi fort que l’annonce technique elle-même.
La question ouverte est la suivante : Spud représente-t-il GPT-5.5, c’est-à-dire une amélioration incrémentale dans la lignée actuelle, ou GPT-6, un saut architectural ? Les spéculations vont dans les deux sens, et OpenAI n’a pas confirmé le nom commercial. Ce qui est avéré, en revanche, c’est que le modèle sera orienté vers les usages professionnels et vers la super-application qui fusionnera ChatGPT, Codex et le navigateur Atlas.
Claude Mythos — la cybersécurité comme terrain d’essai frontier
Anthropic a confirmé tester un nouveau modèle qu’elle décrit comme un « changement de palier » dans les performances, « le plus capable que nous ayons jamais construit ». Les documents fuités décrivent Claude Mythos comme un nouveau tier baptisé « Capybara », au-dessus des modèles Opus actuels, avec des scores « dramatiquement plus élevés » en codage, raisonnement académique et cybersécurité.
Le détail qui change tout est celui-ci : un brouillon décrit Mythos comme « actuellement loin devant tout autre modèle IA en capacités cyber » et avertit qu’il « présage une vague de modèles capables d’exploiter des vulnérabilités à une vitesse qui dépassera de loin les efforts des défenseurs ».
Anthropic est donc en train de publier, délibérément, un modèle qu’elle reconnaît elle-même comme potentiellement dangereux — en justifiant ce choix par la nécessité de donner aux défenseurs une avance sur les attaquants. C’est une posture nouvelle dans l’industrie, qui rompt avec la rhétorique habituelle de la « sécurité responsable ». Le rollout sera limité aux organisations de défense cyber dans un premier temps. La question de la généralisation reste ouverte et politiquement chargée, notamment dans le contexte du conflit avec le Pentagone.
Google et le calendrier Apple
Apple paie environ 1 milliard de dollars par an pour accéder à un modèle Gemini de 1 200 milliards de paramètres. L’annonce officielle est attendue au WWDC du 8 juin 2026, avec un déploiement complet via iOS 27 en automne. iOS 27 introduira un système d’Extensions permettant aux utilisateurs de choisir entre ChatGPT, Google Gemini et Anthropic Claude directement dans Siri.
L’enjeu dépasse largement la fonctionnalité. Apple distribue des iPhones à 2,2 milliards d’utilisateurs actifs. Quelle que soit la qualité respective des modèles, celui qui s’intègre le mieux dans l’expérience iPhone disposera d’un avantage de distribution sans équivalent. C’est Google qui a remporté ce contrat principal — et la capacité de distiller Gemini en modèles on-device signifie que la présence de Google dans la poche de chaque utilisateur Apple sera structurelle, pas superficielle.
III. L’année des agents : le vrai tournant
Si les modèles sont en train de se commoditiser, les agents sont en train de se réaliser. La distinction mérite d’être précisée.
Un modèle de langage répond à des questions. Un agent exécute des tâches. La différence n’est pas de degré — elle est de nature. Un agent peut planifier, utiliser des outils, corriger ses erreurs, travailler pendant des heures sans supervision humaine, et déléguer des sous-tâches à d’autres agents. C’est cette capacité qui est en train de passer des laboratoires à la production.
Alors que près des deux tiers des organisations expérimentent les agents IA, moins d’une sur quatre les a réussi à déployer à l’échelle de la production. Cet écart est le défi central de 2026 pour les entreprises.
Gartner prévoit que d’ici fin 2026, 40% des applications enterprise intègreront des agents IA spécifiques à des tâches. Ce chiffre, même s’il est à prendre avec les précautions d’usage propres aux projections de cabinets d’analystes, reflète une réalité documentée : les déploiements accélèrent, les cas d’usage se précisent, les ROI commencent à être mesurés.
Une étude McKinsey indique que les organisations centrées sur l’IA réalisent des réductions de coûts opérationnels de 20 à 40% et des augmentations de marges EBITDA de 12 à 14 points. Ces chiffres sont issus de déploiements réels, pas de simulations. Ils commencent à créer une pression compétitive sur les entreprises qui n’ont pas encore amorcé leur transformation.
Le protocole MCP — Model Context Protocol, développé par Anthropic et donné à la Linux Foundation — joue dans ce contexte un rôle d’infrastructure critique. Surnommé le « USB-C de l’IA », MCP permet aux agents de parler à des outils externes — bases de données, moteurs de recherche, APIs — et est rapidement devenu le standard. OpenAI et Microsoft l’ont adopté publiquement, et Google a commencé à déployer ses propres serveurs MCP managés. Avec 97 millions d’installations en mars 2026, MCP n’est plus une proposition — c’est une infrastructure en place.
IV. Le mur réglementaire : 02 août 2026
L’AI Act sera pleinement applicable le 2 août 2026, les règles pour les systèmes à haut risque entrant en vigueur à cette date. Il reste 127 jours à l’écriture de ces lignes.
Ce qui est frappant dans l’état de préparation des entreprises européennes, c’est moins l’ignorance que la procrastination. La plupart des directeurs IT et RSSI savent ce qui arrive. Beaucoup n’ont pas encore constitué leur registre des systèmes IA, réalisé leur classification des risques, ni documenté leurs processus de supervision humaine pour les systèmes à enjeu élevé.
Pour les applications enterprise, la majorité relève des catégories à haut risque : évaluation du crédit, screening RH, services essentiels, systèmes biométriques. Ces systèmes requièrent des pistes d’audit complètes, de l’explicabilité, et une gouvernance des données prouvée.
Les pénalités atteignent 35 millions d’euros ou 7% du chiffre d’affaires mondial. Ce ne sont pas des amendes symboliques. Pour une ETI européenne avec 500 millions d’euros de chiffre d’affaires, une amende à 7% représente 35 millions d’euros — de quoi remettre en cause la viabilité d’un exercice fiscal.
Mistral AI, en tant qu’acteur français, a exploité son statut de « champion européen » pour sécuriser des contrats gouvernementaux à travers le continent. En proposant des modèles « souverains » conçus intrinsèquement pour la conformité UE, Mistral a créé une barrière marketing contre ses concurrents américains. C’est une opportunité réelle pour les acteurs européens, à condition qu’ils l’industrialisent rapidement.
Malgré l’accélération des déploiements, la réalité opérationnelle reste contrastée.
Plus de 40% des projets agents devraient être abandonnés d’ici 2027, principalement pour des raisons de coût, de complexité et de valeur insuffisamment démontrée (Gartner).
Dans les environnements réels, les agents apportent des gains significatifs sur des tâches ciblées — notamment en cybersécurité — mais restent dépendants d’une supervision humaine pour les décisions critiques (Business Insider).
Cette tension entre adoption rapide et maturité limitée constitue le véritable défi des entreprises en 2026.
V. La fracture qui s’approfondit : États-Unis contre reste du monde
Il y a une géopolitique de l’IA qui se dessine sous les annonces techniques, et elle mérite d’être nommée clairement.
Les États-Unis ont choisi la déréglementation fédérale. L’administration Trump a retiré les garde-fous de l’ère Biden, a tenté de contraindre Anthropic à un usage militaire non encadré, et a rebaptisé le Département de la Défense « Département de la Guerre ». Les entreprises américaines bénéficient d’une latitude réglementaire que leurs concurrentes européennes n’ont pas.
L’Europe a choisi le droit. L’AI Act est la première régulation contraignante de l’IA au monde. Elle impose des obligations documentaires, des évaluations de conformité, une supervision humaine formalisée. Elle pénalise structurellement les acteurs non-européens qui ne s’y conforment pas — et elle exclut de facto Meta Llama 4 du marché européen.
La Chine a choisi l’autonomie. Huawei développe des puces alternatives aux GPU Nvidia, avec une cible de 750 000 unités du modèle 950PR en 2026. Si ce volume est atteint, la Chine disposera d’une infrastructure IA domestique suffisante pour s’affranchir partiellement des restrictions d’exportation américaines.
Ces trois stratégies sont incompatibles. Elles créent un monde dans lequel l’IA ne sera pas un standard universel mais un ensemble de stacks régionaux, avec des modèles différents, des données différentes, des règles différentes. Les entreprises opérant dans plusieurs zones géographiques devront naviguer dans cette fragmentation — et la complexité de cette navigation n’est pas encore prise en compte dans la plupart des roadmaps IA d’entreprise.
VI. Ce que tout cela signifie pour les organisations
Trois dynamiques vont se concrétiser entre avril et septembre 2026 dans les entreprises qui prennent l’IA au sérieux.
Première dynamique : la gouvernance des agents devient urgente. Selon PwC, les workflows agentiques se répandent plus vite que les modèles de gouvernance ne peuvent répondre à leurs besoins spécifiques. Dans de nombreux cas, les agents peuvent effectuer environ la moitié des tâches que les gens font aujourd’hui. Le déploiement d’agents sans cadre de supervision est une prise de risque réelle — juridique, opérationnelle, réputationnelle. Les entreprises qui déploient maintenant sans gouverner paieront le prix plus tard. Le principal risque n’est pas l’échec de l’IA, mais son adoption non maîtrisée.
Deuxième dynamique : la stratégie multi-modèle devient la norme. Microsoft a montré la voie avec Copilot Wave 3 : utiliser Claude pour certaines tâches, OpenAI pour d’autres, ses propres modèles pour d’autres encore. IBM formule cela clairement : « au lieu d’un seul modèle géant pour tout, vous aurez des modèles plus petits et plus efficaces qui sont tout aussi précis — peut-être plus — lorsqu’ils sont ajustés pour le bon cas d’usage. » Les équipes techniques qui ont misé sur un seul fournisseur vont devoir revoir leur architecture.
Troisième dynamique : le rôle humain se redéfinit, pas se réduit. Le discours sur la suppression des emplois par l’IA est empiriquement prématuré. Deloitte souligne que la clé du succès réside dans la reconnaissance que la transformation agentique ne vise pas à remplacer les humains par des machines, mais à créer de nouvelles formes de collaboration humain-IA qui exploitent les forces uniques des deux. Ce qui est en train de disparaître, ce ne sont pas les emplois — ce sont les tâches. La différence est cruciale. Un emploi est un ensemble de tâches, d’un réseau de relations, d’un contexte organisationnel. L’IA peut prendre en charge des tâches répétitives ou analytiques. Elle ne reconstitue pas le jugement, la confiance relationnelle, ou la responsabilité assumée.
VII. Le signal faible qui deviendra bruit
Il y a un développement qui n’a pas encore atteint le niveau de bruit médiatique qu’il mérite, mais qui aura probablement l’impact le plus durable : la NASA utilise les modèles Claude d’Anthropic pour planifier les trajets du rover Perseverance sur Mars. Sur deux déplacements couvrant 456 mètres au total, l’IA a remplacé une tâche de planification manuelle vieille de 28 ans.
Ce n’est pas une démonstration technique. C’est un changement de paradigme opérationnel dans un environnement où l’erreur coûte des milliards de dollars et met des années à corriger. Si l’IA peut opérer avec ce niveau de fiabilité dans des conditions aussi contraintes, l’argument selon lequel elle n’est pas encore « prête pour la production » dans des environnements enterprise standard devient difficile à tenir.
Les six prochains mois ne seront pas l’avènement de l’AGI — Jensen Huang mis à part, la plupart des chercheurs sérieux situent cette question dans une temporalité plus longue et moins définie. Ils seront quelque chose de plus immédiat et de plus mesurable : le moment où l’IA cesse d’être une expérimentation pour devenir une infrastructure. La différence entre une expérimentation et une infrastructure, c’est que l’infrastructure, on ne la voit plus. Elle est là, elle fonctionne, on l’attend.
C’est là que nous allons dans les six prochains mois.
Sources : CNBC, Fortune, TechCrunch, MIT Technology Review, McKinsey, Deloitte, PwC, IBM Think, Gartner, Commission Européenne, OpenAI, Anthropic, Google AI, Defense One. Toutes les assertions factuelles sont sourcées. Les projections de cabinets d’analystes sont présentées comme telles.
Dans les environnements réels, les agents apportent des gains significatifs sur des tâches ciblées — notamment en cybersécurité — mais restent dépendants d’une supervision humaine pour les décisions critiques (Business Insider).
Cette tension entre adoption rapide et maturité limitée constitue le véritable défi des entreprises en 2026.